CN104408477A - 一种关键部位的故障检测方法及装置 - Google Patents
一种关键部位的故障检测方法及装置 Download PDFInfo
- Publication number
- CN104408477A CN104408477A CN201410789699.4A CN201410789699A CN104408477A CN 104408477 A CN104408477 A CN 104408477A CN 201410789699 A CN201410789699 A CN 201410789699A CN 104408477 A CN104408477 A CN 104408477A
- Authority
- CN
- China
- Prior art keywords
- train
- key position
- image
- area image
- train key
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种关键部位的故障检测方法及装置,该方法通过采集需要进行故障检测的列车图像;采用训练分类方法对所述列车图像进行分类,获取具有列车关键部位的区域图像;利用特征匹配方法将所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果;依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。可见,以对列车关键部位的图像的获取及分析检测代替现有技术的现场检测,实现对列车关键部位的快速准确的故障检测,且节约大量人力物力。
Description
技术领域
本发明涉及故障检测技术领域,特别是涉及一种关键部位的故障检测方法及装置。
背景技术
列车的关键部位包括轴箱盖、齿轮箱、牵引杆等,它是列车的重要组成部分,一旦这些关键部件出现故障,后果极其严重,对列车上乘客的自身安全构成严重威胁。为保证列车上乘客的安全,技术人员需要经常对列车的关键部位进行故障检测和诊断,故障检测中一般采用人工检测的方法对列车关键部位进行故障检测,需要技术人员使用故障检测设备对列车关键部位进行全面的检查和排除故障。
由于需要大量的技术人员和故障检测设备对列车关键部位进行故障检测,检测过程也很繁琐,不仅浪费大量人力资源,而且导致故障检测的效率较低,也不够准确地检测到列车关键部位的故障。
发明内容
本发明的目的是提供一种关键部位的故障检测方法及装置,以实现对列车关键部位的快速准确的故障检测,且节约大量人力物力。
为解决上述技术问题,本发明提供一种关键部位的故障检测方法,该方法包括:
采集需要进行故障检测的列车图像;
采用训练分类方法对所述列车图像进行分类,获取具有列车关键部位的区域图像;
利用特征匹配方法将所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果;
依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。
优选的,所述采用训练分类方法对所述列车图像进行分类,获取具有列车关键部位的区域图像,包括:
对所述列车图像进行预处理,得到预处理后的列车图像;
对所述预处理后的列车图像进行特征点定位,并采用局部特征提取方法对列车关键部位进行特征提取;
利用神经网络训练方法对提取到的列车关键部位的特征进行训练,获取具有列车关键部位的区域图像,完成分类过程。
优选的,所述利用特征匹配方法对所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果,包括:
对所述具有列车关键部位的区域图像进行预处理,得到预处理后的具有列车关键部位的区域图像;
对所述预处理后的具有列车关键部位的区域图像进行特征点定位,并采用局部特征提取方法对列车关键部位进行特征提取;
利用神经网络匹配方法对提取到的列车关键部位的特征,与预先存储的标准模板图像中的列车关键部位的特征进行匹配,获取匹配结果,完成匹配过程。
优选的,所述局部特征提取方法包括金字塔式局部特征提取方法。
优选的,所述神经网络训练方法包括层级记忆神经网络训练方法。
优选的,所述神经网络匹配方法包括层级记忆神经网络匹配方法。
本发明还提供一种关键部位的故障检测装置,该装置包括:
采集模块,用于采集需要进行故障检测的列车图像;
分类模块,用于采用训练分类方法对所述列车图像进行处理,获取具有列车关键部位的区域图像;
匹配模块,用于利用特征匹配方法将所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果;
判断模块,用于依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。
优选的,所述分类模块包括:
第一预处理单元,用于对所述列车图像进行预处理,得到预处理后的列车图像;
第一特征提取单元,用于对所述预处理后的列车图像进行特征点定位,并采用局部特征提取方法对列车关键部位进行特征提取;
训练单元,用于利用神经网络训练方法对提取到的列车关键部位的特征进行训练,获取具有列车关键部位的区域图像,完成分类过程。
优选的,所述匹配模块包括:
第二预处理单元,用于对所述具有列车关键部位的区域图像进行预处理,得到预处理后的具有列车关键部位的区域图像;
第二特征提取单元,用于对所述预处理后的具有列车关键部位的区域图像进行特征点定位,并采用局部特征提取方法进行特征提取;
匹配单元,用于利用神经网络匹配方法将提取到的列车关键部位的特征,与预先存储的标准模板图像中的列车关键部位的特征进行匹配,获取匹配结果,完成匹配过程。
优选的,所述局部特征提取方法包括金字塔式局部特征提取方法。
本发明所提供的一种关键部位的故障检测方法及装置,通过采集需要进行故障检测的列车图像;采用训练分类方法对所述列车图像进行分类,获取具有列车关键部位的区域图像;利用特征匹配方法将所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果;依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。可以看到,本发明所提供一种关键部位的故障检测方法及装置,以对列车关键部位的图像的获取及分析检测代替现有技术的现场检测,即无需大量技术人员去现场检测,节约了大量的人力和物力,并且这种分析比对方式可通过电子设备自动实现,无需过多人工参与,检测过程简单、高效和客观。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例一所提供的一种关键部位的故障检测方法的流程图;
图2为本发明实施例二所提供的一种关键部位的故障检测方法的部分流程图;
图3为本发明实施例三所提供的一种关键部位的故障检测方法的部分流程图;
图4为本发明实施例四所提供的一种关键部位的故障检测装置的结构示意图。
具体实施方式
本发明的核心是提供一种关键部位的故障检测方法及装置,以实现对列车关键部位的快速准确的故障检测,且节约大量人力物力。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参考图1,图1为本发明实施例所提供的一种关键部位的故障检测方法的流程图,该方法包括:
步骤S101:采集需要进行故障检测的列车图像;
步骤S102:采用训练分类方法对所述列车图像进行分类,获取具有列车关键部位的区域图像;
步骤S103:利用特征匹配方法将所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果;
步骤S104:依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。
本发明实施例所提供的一种关键部位的故障检测方法,通过采集需要进行故障检测的列车图像;采用训练分类方法对所述列车图像进行分类,获取具有列车关键部位的区域图像;利用特征匹配方法将所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果;依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。可以看到,该方法以对列车关键部位的图像的获取及分析检测代替现有技术的现场检测,即无需大量技术人员去现场检测,节约了大量的人力和物力,并且这种分析比对方式可通过电子设备自动实现,无需过多人工参与,检测过程简单、高效和客观。
实施例二
基于实施例一所提供的一种关键部位的故障检测方法,请参图2,图2为本发明实施例所提供的一种关键部位的故障检测方法的部分流程图,基于步骤S102:采用训练分类方法对所述列车图像进行分类,获取具有列车关键部位的区域图像,步骤S102优选采用以下步骤实现:
步骤S201:对所述列车图像进行预处理,得到预处理后的列车图像;
步骤S202:对所述预处理后的列车图像进行特征点定位,并采用局部特征提取方法对列车关键部位进行特征提取;
步骤S203:利用神经网络训练方法对提取到的列车关键部位的特征进行训练,获取具有列车关键部位的区域图像,完成分类过程。
优选的,所述局部特征提取方法包括金字塔式局部特征提取方法。
优选的,所述神经网络训练方法包括层级记忆神经网络训练方法。
本发明实施例所提供的一种关键部位的故障检测方法,通过采集需要进行故障检测的列车图像;对所述列车图像进行预处理,得到预处理后的列车图像;对所述预处理后的列车图像进行特征点定位,并采用局部特征提取方法对列车关键部位进行特征提取;利用神经网络训练方法对提取到的列车关键部位的特征进行训练,获取具有列车关键部位的区域图像,完成分类过程;所述局部特征提取方法包括金字塔式局部特征提取方法;所述神经网络训练方法包括层级记忆神经网络训练方法。
进一步的,利用特征匹配方法将所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果;依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。可以看到,该方法以对列车关键部位的图像的获取及分析检测代替现有技术的现场检测,即无需大量技术人员去现场检测,节约了大量的人力和物力,并且这种分析比对方式可通过电子设备自动实现,无需过多人工参与,检测过程简单、高效和客观。
实施例三
基于实施例一所提供的一种关键部位的故障检测方法,请参图3,图,3为本发明实施例所提供的一种关键部位的故障检测方法的部分流程图,基于步骤S103:利用特征匹配方法将所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果,步骤S103优选采用以下步骤实现:
步骤S301:对所述具有列车关键部位的区域图像进行预处理,得到预处理后的具有列车关键部位的区域图像;
步骤S302:对所述预处理后的具有列车关键部位的区域图像进行特征点定位,并采用局部特征提取方法对列车关键部位进行特征提取;
步骤S303:利用神经网络匹配方法对提取到的列车关键部位的特征,与预先存储的标准模板图像中的列车关键部位的特征进行匹配,获取匹配结果,完成匹配过程。
优选的,所述神经网络匹配方法包括层级记忆神经网络匹配方法。
本发明实施例所提供的一种关键部位的故障检测方法,通过采集需要进行故障检测的列车图像;采用训练分类方法对所述列车图像进行分类,获取具有列车关键部位的区域图像;对所述具有列车关键部位的区域图像进行预处理,得到预处理后的具有列车关键部位的区域图像;对所述预处理后的具有列车关键部位的区域图像进行特征点定位,并采用局部特征提取方法对列车关键部位进行特征提取;利用神经网络匹配方法对提取到的列车关键部位的特征,与预先存储的标准模板图像中的列车关键部位的特征进行匹配,获取匹配结果,完成匹配过程;所述神经网络匹配方法包括层级记忆神经网络匹配方法。
进一步的,依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。可以看到,该方法以对列车关键部位的图像的获取及分析检测代替现有技术的现场检测,即无需大量技术人员去现场检测,节约了大量的人力和物力,并且这种分析比对方式可通过电子设备自动实现,无需过多人工参与,检测过程简单、高效和客观。
实施例四
请参考图4,图4为本发明实施例四所提供的一种关键部位的故障检测装置的结构示意图,该装置包括:
采集模块101,用于采集需要进行故障检测的列车图像;
分类模块102,用于采用训练分类方法对所述列车图像进行处理,获取具有列车关键部位的区域图像;
匹配模块103,用于利用特征匹配方法将所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果;
判断模块104,用于依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。
本发明实施例所提供的一种关键部位的故障检测装置,采集模块101采集需要进行故障检测的列车图像;分类模块102采用训练分类方法对所述列车图像进行分类,获取具有列车关键部位的区域图像;匹配模块103利用特征匹配方法将所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果;判断模块104依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。可以看到,该装置以对列车关键部位的图像的获取及分析检测代替现有技术的现场检测,即无需大量技术人员去现场检测,节约了大量的人力和物力,并且这种分析比对方式可通过电子设备自动实现,无需过多人工参与,检测过程简单、高效和客观。
实施例五
基于本发明实施例四所提供的一种关键部位的故障检测装置,优选的,分类模块102包括:
第一预处理单元,用于对所述列车图像进行预处理,得到预处理后的列车图像;
第一特征提取单元,用于对所述预处理后的列车图像进行特征点定位,并采用局部特征提取方法对列车关键部位进行特征提取;
训练单元,用于利用神经网络训练方法对提取到的列车关键部位的特征进行训练,获取具有列车关键部位的区域图像,完成分类过程。
优选的,匹配模块103包括:
第二预处理单元,用于对所述具有列车关键部位的区域图像进行预处理,得到预处理后的具有列车关键部位的区域图像;
第二特征提取单元,用于对所述预处理后的具有列车关键部位的区域图像进行特征点定位,并采用局部特征提取方法进行特征提取;
匹配单元,用于利用神经网络匹配方法将提取到的列车关键部位的特征,与预先存储的标准模板图像中的列车关键部位的特征进行匹配,获取匹配结果,完成匹配过程。
优选的,所述局部特征提取方法包括金字塔式局部特征提取方法。
本发明实施例所提供的一种关键部位的故障检测装置,采集模块101采集需要进行故障检测的列车图像;分类模块102中的第一预处理单元对所述列车图像进行预处理,得到预处理后的列车图像;分类模块102中的第一特征提取单元对所述预处理后的列车图像进行特征点定位,并采用局部特征提取方法对列车关键部位进行特征提取;分类模块102中的训练单元利用神经网络训练方法对提取到的列车关键部位的特征进行训练,获取具有列车关键部位的区域图像,完成分类过程。
进一步的,匹配模块103中的第二预处理单元对所述具有列车关键部位的区域图像进行预处理,得到预处理后的具有列车关键部位的区域图像;匹配模块103中的第二特征提取单元对所述预处理后的具有列车关键部位的区域图像进行特征点定位,并采用局部特征提取方法进行特征提取;匹配模块103中的的匹配单元利用神经网络匹配方法将提取到的列车关键部位的特征,与预先存储的标准模板图像中的列车关键部位的特征进行匹配,获取匹配结果,完成匹配过程;所述局部特征提取方法包括金字塔式局部特征提取方法。
进一步的,判断模块104依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。可以看到,该装置以对列车关键部位的图像的获取及分析检测代替现有技术的现场检测,即无需大量技术人员去现场检测,节约了大量的人力和物力,并且这种分析比对方式可通过电子设备自动实现,无需过多人工参与,检测过程简单、高效和客观。
综上所述,本发明所提供的一种关键部位的故障检测方法及装置,以对列车关键部位的图像的获取及分析检测代替现有技术的现场检测,即无需大量技术人员去现场检测,节约了大量的人力和物力,并且这种分析比对方式可通过电子设备自动实现,无需过多人工参与,检测过程简单、高效和客观。
以上对本发明所提供的一种关键部位的故障检测方法及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种关键部位的故障检测方法,其特征在于,包括:
采集需要进行故障检测的列车图像;
采用训练分类方法对所述列车图像进行分类,获取具有列车关键部位的区域图像;
利用特征匹配方法将所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果;
依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。
2.如权利要求1所述的方法,其特征在于,所述采用训练分类方法对所述列车图像进行分类,获取具有列车关键部位的区域图像,包括:
对所述列车图像进行预处理,得到预处理后的列车图像;
对所述预处理后的列车图像进行特征点定位,并采用局部特征提取方法对列车关键部位进行特征提取;
利用神经网络训练方法对提取到的列车关键部位的特征进行训练,获取具有列车关键部位的区域图像,完成分类过程。
3.如权利要求1所述的方法,其特征在于,所述利用特征匹配方法对所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果,包括:
对所述具有列车关键部位的区域图像进行预处理,得到预处理后的具有列车关键部位的区域图像;
对所述预处理后的具有列车关键部位的区域图像进行特征点定位,并采用局部特征提取方法对列车关键部位进行特征提取;
利用神经网络匹配方法对提取到的列车关键部位的特征,与预先存储的标准模板图像中的列车关键部位的特征进行匹配,获取匹配结果,完成匹配过程。
4.如权利要求2或3所述的方法,其特征在于,所述局部特征提取方法包括金字塔式局部特征提取方法。
5.如权利要求2所述的方法,其特征在于,所述神经网络训练方法包括层级记忆神经网络训练方法。
6.如权利要求3所述的方法,其特征在于,所述神经网络匹配方法包括层级记忆神经网络匹配方法。
7.一种关键部位的故障检测装置,其特征在于,包括:
采集模块,用于采集需要进行故障检测的列车图像;
分类模块,用于采用训练分类方法对所述列车图像进行处理,获取具有列车关键部位的区域图像;
匹配模块,用于利用特征匹配方法将所述具有列车关键部位的区域图像,与预先存储的标准模板图像进行匹配,获取匹配结果;
判断模块,用于依据所述匹配结果判断所述具有列车关键部位的区域图像是否存在差异;若是,在所述具有列车关键部位的区域图像的差异位置进行标注,确定所述列车关键部位存在故障。
8.如权利要求7所述的装置,其特征在于,所述分类模块包括:
第一预处理单元,用于对所述列车图像进行预处理,得到预处理后的列车图像;
第一特征提取单元,用于对所述预处理后的列车图像进行特征点定位,并采用局部特征提取方法对列车关键部位进行特征提取;
训练单元,用于利用神经网络训练方法对提取到的列车关键部位的特征进行训练,获取具有列车关键部位的区域图像,完成分类过程。
9.如权利要求7所述的装置,其特征在于,所述匹配模块包括:
第二预处理单元,用于对所述具有列车关键部位的区域图像进行预处理,得到预处理后的具有列车关键部位的区域图像;
第二特征提取单元,用于对所述预处理后的具有列车关键部位的区域图像进行特征点定位,并采用局部特征提取方法进行特征提取;
匹配单元,用于利用神经网络匹配方法将提取到的列车关键部位的特征,与预先存储的标准模板图像中的列车关键部位的特征进行匹配,获取匹配结果,完成匹配过程。
10.如权利要求8或9所述的装置,其特征在于,所述局部特征提取方法包括金字塔式局部特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410789699.4A CN104408477A (zh) | 2014-12-18 | 2014-12-18 | 一种关键部位的故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410789699.4A CN104408477A (zh) | 2014-12-18 | 2014-12-18 | 一种关键部位的故障检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104408477A true CN104408477A (zh) | 2015-03-11 |
Family
ID=52646108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410789699.4A Pending CN104408477A (zh) | 2014-12-18 | 2014-12-18 | 一种关键部位的故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408477A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441411A (zh) * | 2016-08-31 | 2017-02-22 | 成都铁安科技有限责任公司 | 一种轨道机车及车辆走行部检测方法及检测系统 |
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 |
CN107145849A (zh) * | 2017-04-27 | 2017-09-08 | 努比亚技术有限公司 | 一种目标物体状态检测方法、移动终端以及计算机可读存储介质 |
CN107220609A (zh) * | 2017-05-22 | 2017-09-29 | 哈尔滨市科佳通用机电股份有限公司 | 一种动车故障自动检测方法 |
CN107246959A (zh) * | 2017-07-12 | 2017-10-13 | 西安因联信息科技有限公司 | 一种基于无线传感器的设备故障的诊断系统及方法 |
CN109472769A (zh) * | 2018-09-26 | 2019-03-15 | 成都数之联科技有限公司 | 一种不良图像缺陷检测方法和系统 |
CN110390362A (zh) * | 2019-07-26 | 2019-10-29 | 北京三快在线科技有限公司 | 一种用于检测无人车故障的方法及无人车 |
CN111079822A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法 |
CN111860501A (zh) * | 2020-07-14 | 2020-10-30 | 哈尔滨市科佳通用机电股份有限公司 | 基于形状匹配的高铁高度调整杆脱出故障图像识别方法 |
CN112183341A (zh) * | 2020-09-28 | 2021-01-05 | 哈尔滨市科佳通用机电股份有限公司 | 基于检测算子的滚动轴承甩油故障图像识别方法 |
CN112232222A (zh) * | 2020-10-19 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法 |
JP2022091875A (ja) * | 2015-10-02 | 2022-06-21 | トラクタブル リミテッド | データセットの半自動ラベル付け |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129564A (zh) * | 2011-02-14 | 2011-07-20 | 西南交通大学 | 基于无人飞行器的接触网故障检测与诊断方法 |
CN102867167A (zh) * | 2011-07-08 | 2013-01-09 | 陆晓 | 基于小波神经网络的渣土车车轮带泥检测装置 |
US20140270495A1 (en) * | 2013-03-14 | 2014-09-18 | Microsoft Corporation | Multiple Cluster Instance Learning for Image Classification |
US20140294291A1 (en) * | 2013-03-26 | 2014-10-02 | Hewlett-Packard Development Company, L.P. | Image Sign Classifier |
-
2014
- 2014-12-18 CN CN201410789699.4A patent/CN104408477A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129564A (zh) * | 2011-02-14 | 2011-07-20 | 西南交通大学 | 基于无人飞行器的接触网故障检测与诊断方法 |
CN102867167A (zh) * | 2011-07-08 | 2013-01-09 | 陆晓 | 基于小波神经网络的渣土车车轮带泥检测装置 |
US20140270495A1 (en) * | 2013-03-14 | 2014-09-18 | Microsoft Corporation | Multiple Cluster Instance Learning for Image Classification |
US20140294291A1 (en) * | 2013-03-26 | 2014-10-02 | Hewlett-Packard Development Company, L.P. | Image Sign Classifier |
Non-Patent Citations (2)
Title |
---|
周云燕: "基于图像分析理论的机械故障诊断研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
王全全: "列车运行动态监测系统中故障图像识别算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022091875A (ja) * | 2015-10-02 | 2022-06-21 | トラクタブル リミテッド | データセットの半自動ラベル付け |
CN106441411A (zh) * | 2016-08-31 | 2017-02-22 | 成都铁安科技有限责任公司 | 一种轨道机车及车辆走行部检测方法及检测系统 |
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 |
CN106600581B (zh) * | 2016-12-02 | 2019-09-24 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 |
CN107145849B (zh) * | 2017-04-27 | 2021-03-26 | 努比亚技术有限公司 | 目标物体状态检测方法、移动终端及计算机可读存储介质 |
CN107145849A (zh) * | 2017-04-27 | 2017-09-08 | 努比亚技术有限公司 | 一种目标物体状态检测方法、移动终端以及计算机可读存储介质 |
CN107220609A (zh) * | 2017-05-22 | 2017-09-29 | 哈尔滨市科佳通用机电股份有限公司 | 一种动车故障自动检测方法 |
CN107246959A (zh) * | 2017-07-12 | 2017-10-13 | 西安因联信息科技有限公司 | 一种基于无线传感器的设备故障的诊断系统及方法 |
CN107246959B (zh) * | 2017-07-12 | 2019-06-04 | 西安因联信息科技有限公司 | 一种基于无线传感器的设备故障的诊断系统及方法 |
CN109472769A (zh) * | 2018-09-26 | 2019-03-15 | 成都数之联科技有限公司 | 一种不良图像缺陷检测方法和系统 |
CN110390362A (zh) * | 2019-07-26 | 2019-10-29 | 北京三快在线科技有限公司 | 一种用于检测无人车故障的方法及无人车 |
CN111079822A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法 |
CN111860501B (zh) * | 2020-07-14 | 2021-02-05 | 哈尔滨市科佳通用机电股份有限公司 | 基于形状匹配的高铁高度调整杆脱出故障图像识别方法 |
CN111860501A (zh) * | 2020-07-14 | 2020-10-30 | 哈尔滨市科佳通用机电股份有限公司 | 基于形状匹配的高铁高度调整杆脱出故障图像识别方法 |
CN112183341A (zh) * | 2020-09-28 | 2021-01-05 | 哈尔滨市科佳通用机电股份有限公司 | 基于检测算子的滚动轴承甩油故障图像识别方法 |
CN112183341B (zh) * | 2020-09-28 | 2021-05-11 | 哈尔滨市科佳通用机电股份有限公司 | 基于检测算子的滚动轴承甩油故障图像识别方法 |
CN112232222A (zh) * | 2020-10-19 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法 |
CN112232222B (zh) * | 2020-10-19 | 2021-05-07 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408477A (zh) | 一种关键部位的故障检测方法及装置 | |
CN106526400B (zh) | Dc600v列车供电系统的接地故障诊断方法及装置 | |
CN106326808B (zh) | 基于无人机图像的检测输电线路杆塔上鸟窝的方法 | |
CN108062571A (zh) | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 | |
BR112013032938A2 (pt) | dispositivo e método para realizar análise morfológica para eritrócitos | |
CN104994334A (zh) | 基于实时视频的变电站自动监控方法 | |
CN106371013A (zh) | 一种基于图片识别的gis开关故障自动识别系统 | |
CN108133178A (zh) | 一种基于图像识别的智能环境监控系统与方法 | |
CN105975392A (zh) | 一种基于抽象语法树的重复代码检测方法及装置 | |
CN103278719B (zh) | 基于矩阵图及置信度的电力设备故障检测方法和系统 | |
CN105588998A (zh) | 电力设备的远程故障监测方法及系统 | |
CN104573680B (zh) | 图像检测方法、图像检测装置以及交通违法检测系统 | |
CN102346153A (zh) | 一种隧道病害的检测方法 | |
CN104794051A (zh) | 一种Android平台恶意软件自动化检测方法 | |
CN113982850A (zh) | 融合高低频信号的风机综合健康分析方法及系统 | |
CN103488800A (zh) | 一种基于svm的用电异常检测方法 | |
CN104425046A (zh) | 核电站运行安全指数量化方法和系统 | |
CN116826958A (zh) | 一种数字化输电通道智能安全巡检方法 | |
CN107861849A (zh) | 一种计算机硬件安全检测系统 | |
CN102323975B (zh) | 基于iec61850模型文件的报文正确性判别方法 | |
CN106706109A (zh) | 一种基于时域二维特性的振动源识别方法及系统 | |
CN102496030A (zh) | 电力监测系统中危险目标的识别方法及装置 | |
CN106610636A (zh) | 一种污染源远程抽查系统及抽查方法 | |
CN104527721A (zh) | 一种列车故障检测方法及系统 | |
CN103529041A (zh) | 基于图像特征的电路板新旧程度判定方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150311 |
|
WD01 | Invention patent application deemed withdrawn after publication |